本書共六章，內(nèi)容包括：軟件缺陷領域命名實體識別方法、DB-CNN-NER重復軟件缺陷報告檢測方法、基于關鍵詞語義的安全缺陷報告識別方法、基于知識圖譜的跨項目安全缺陷報告預測方法等。
第l章 緒論
1.1 引言
1.2 命名實體識別
1.3 知識圖譜
1.4 缺陷報告
1.4.1 軟件缺陷定義
1.4.2 軟件缺陷分類
1.4.3 軟件缺陷報告
1.4.4 重復軟件缺陷報告
1.4.5 安全缺陷報告
1.5 國內(nèi)外研究現(xiàn)狀
1.5.1 軟件缺陷領域命名實體識別研究現(xiàn)狀
1.5.2 知識圖譜研究現(xiàn)狀
1.5.3 重復軟件缺陷報告檢測方法分類研究
1.5.4 安全缺陷報告預測研究現(xiàn)狀
1.6 本文主要內(nèi)容
第2章 軟件缺陷領域命名實體識別方法
2.1 引言
2.2 軟件缺陷領域命名實體分類標準
2.3 基于隨機森林上下文的命名實體識別方法
2.3.1 數(shù)據(jù)預處理
2.3.2 分類器模型算法
2.4 基于多級別特征融合的命名實體識別方法
2.4.1 多級別詞嵌入層
2.4.2 BiLSTM與Attention層
2.4.3 CRF層
2.4.4 方法參數(shù)介紹
2.4.5 實驗設計
2.4.6 實驗結果及分析
2.5 基于BERT-BiLSTM-CRF、模型的軟件缺陷命名實體識別方法
2.5.1 BERT模型
2.5.2 BiLSTM模型
2.5.3 CRF模型
2.5.4 BBC-NER軟件缺陷命名實體識別方法
2.5.5 實驗結果分析
2.5 本章小結
第3章 DB-CNN-NER重復軟件缺陷報告檢測方法
3.1 引言
3.2 卷積神經(jīng)網(wǎng)絡
3.3 基于CNN的重復軟件缺陷報告檢測方法
3.3.1 CNN提取軟件缺陷報告特征
3.3.2 不同分類器模型對于重復軟件缺陷報告檢測的影響
3.3.3 文本數(shù)據(jù)長度對于重復軟件缺陷報告檢測的影響
3.3.4 過濾器大小對于重復軟件缺陷報告檢測的影響
3.3.5 元數(shù)據(jù)對于重復軟件缺陷報告檢測的影響
3.4 DB-CNN-NER方法
3.4.1 DB-CNN-NER模型構建
3.4.2 實驗結果分析
3.5 本章小結
第4章 基于關鍵詞語義的安全缺陷報告識別方法
4.1 引言
4.2 關鍵詞語義知識圖譜構建
4.2.1 數(shù)據(jù)獲取與處理
4.2.2 實體抽取
4.2.3 關系抽取
4.2.4 實體統(tǒng)一
4.2.5 語義知識圖譜存儲
4.2.6 語義知識圖譜可視化
4.3 基于知識圖譜的安全缺陷報告識別方法
4.3.1 方法框架
4.3.2 基于規(guī)則的關鍵詞提取
4.3.3 語義知識圖譜子圖建立
4.3.4 安全缺陷報告預測的實現(xiàn)
4.4 性能評估
4.4.1 數(shù)據(jù)集描述
4.4.2 基線方法
4.4.4 實驗設計
4.4.5 實驗結果與分析
4.5 本章小結
第5章 基于知識圖譜的跨項目安全缺陷報告預測方法
5.1 引言
5.2 方法框架
5.3 數(shù)據(jù)集預處理
5.4 數(shù)據(jù)源準備
5.5 知識圖譜的構建
5.5.1 實體語料庫的生成
5.5.2 實體關系建立
5.5.3 知識存儲
5.6 性能評估
5.6.1 評測對象
5.6.2 基線方法
5.6.3 檢測方法
5.6.4 實驗設計
5.6.5 實驗結果
5.6.6 實驗結果分析討論
5.7 本章小結
第6章 總結與展望
6.1 總結
6.2 未來工作與展望
參考文獻
書單推薦
